Pavlovi assotsiatiivne õpe on õppimise põhivorm, mis kujundab inimeste ja loomade käitumist. Siiski on „tavapäraste” ANN-ide, eriti kaasaegsete süvanärvivõrkude puhul backpropagation meetodil treenimine arvutus- ja energiamahukas.
Uued Pavlovi õppel ja optilise paralleeltöötlusega põhinevad uuringud näitavad erinevate tehisintellekti ülesannete põnevat potentsiaali.
Teadlased Oxford Universitymaterjalide osakond, Exeteri ülikoolidja Munster on välja töötanud kiibil oleva optilise protsessori, mis suudab tuvastada andmekogumite sarnasusi kuni 1,000 korda kiiremini kui tavalised masinõppe algoritmid, mis töötavad elektroonilistel protsessoritel.
Assotsiatiivne Monadic Learning Element (AMLE) kasutab mälumaterjali, mis õpib mustreid, et seostada andmekogumites sarnaseid tunnuseid, simuleerides Pavlovi poolt täheldatud tingimusrefleksi „sobivuse” korral, mitte närvivõrkude poolt „peenele” eelistatud tagasilevitamist. tune” tulemused.
Õppeprotsessi jälgimiseks seotakse AMLE sisendid vastavate väljunditega ning mälumaterjali saab lähtestada valgussignaalide abil. Pärast treenimist vaid viie paari kujutistega testiti AMLE-d ja leiti, et see eristab kassi ja mittekassi kujutisi.
Uue optilise kiibi märkimisväärsed jõudlusvõimed võrreldes tavapärase elektroonilise kiibiga tulenevad kahest peamisest disainierinevusest:
- Unikaalne võrguarhitektuur, mis sisaldab pigem assotsiatiivset õppimist kui ehitusplokki, mitte ei kasuta neuroneid ja a Närvivõrgus.
- Arvutuskiiruse suurendamiseks kasutage lainepikkusjaotusega multipleksimist, et saata ühel kanalil mitu optilist signaali erinevatel lainepikkustel.
Kiibitehnoloogia kasutab andmete edastamiseks ja vastuvõtmiseks valgust, et maksimeerida teabetihedust. Paralleelseks töötlemiseks tarnitakse samaaegselt mitut erineva lainepikkusega signaali, mis kiirendab tuvastamisülesande tuvastamise aega. Arvutuskiirus tõuseb iga lainepikkusega.
Münsteri ülikooli kaasautor, professor Wolfram Pernice selgitas: "Seade tabab loomulikult andmekogumite sarnasusi, tehes seda paralleelselt, kasutades valgust, et suurendada üldist arvutuskiirust – mis võib tunduvalt ületada tavapäraste elektrooniliste kiipide võimalusi."
Kaasautor, praegu Fudani ülikoolis töötav professor Zengguang Cheng ütles: "See on tõhusam probleemide korral, mis ei vaja andmekogumite väga keerukate funktsioonide olulist analüüsi. Paljud õppeülesanded on mahupõhised ja nende keerukusaste puudub – sellistel juhtudel saab assotsiatiivne õpe ülesandeid kiiremini ja väiksema arvutuskuluga täita.
Uuringut juhtinud professor Harish Bhaskaran ütles, „On üha selgem, et tehisintellekt on paljude uuenduste keskmes, mille tunnistajaks inimkonna ajaloo eelseisvas faasis näeme. See töö sillutab teed kiirete optiliste protsessorite realiseerimisele, mis salvestavad teatud tüüpi andmete seoseid AI arvutusi, kuigi ees on veel palju põnevaid väljakutseid.
Ajakirja viide:
- James Y. S. Tan, Zengguang Cheng jt. Monaadiline Pavlovi assotsiatiivne õpe tagasilevimiseta fotoonilises võrgus. Optica 9, 792-802 (2022). DOI: 10.1364/OPTICA.455864
